（一）图像特征匹配--SIFT 1.1 SIFT背景简介 SIFT算法是David Lowe在1999年提出的局部特征描述子，并在2004年深入发展和完善。 SIFT算法是在尺度空间进行特征检测并确定关键点的位置和关键点所在的尺度。 该关键点 ...

Image Registration is a fundamental step in Computer Vision. In this article, we present &quo ...

目录： 图像配准：从SIFT到深度学习 什么是图像配准 传统的基于特征的方法 关键点检测和特征描述 特征匹配 图像变换 深度学习方法 特征提取 Homography学习 监督学习 无监督学习 其他方法 强化学习 复杂的转换 图像配准 ...

image rectification 图像校正 在配准时，先找到特征点，找到特征点后剔除伪匹配点。 然后针对两幅图像做几何矫正(一般通过估计出来的仿射矩阵完成)。这部完成后，图像可以匹配了，但是两幅图像的拍摄条件和光照不一致。 找到合适的权重将两幅图像融合这个问题就比较难了。 显然 ...

1.SIFT特征点和特征描述提取（注意opencv版本） 高斯金字塔：O组L层不同尺度的图像（每一组中各层尺寸相同，高斯函数的参数不同，不同组尺寸递减2倍） 特征点定位：极值点 特征点描述：根据不同bin下的方向给定一个主方向，对每个关键点，采用4*4*8共128维向量的描述子进项关键点表征 ...

机器视觉中，3D相机产生的深度图像（depth image）通常需要配准（registration），以生成配准深度图像（registed depth image）。实际上配准的目的就是想让深度图和彩色图重合在一起，即是将深度图像的图像坐标系转换到彩色图像的图像坐标系下。下面我们来介绍其推导的过程 ...

今天在网上看到一篇2017年的论文，是关于图像配准的，偏医学图像，主要是讲针对于3D耳蜗医学图像的自动配准的问题，因为现存的技术都是医生使用手动成像进行图像配准和分割，非常耗时，而且耳蜗的体积非常小，结构复杂，这对于多模态耳蜗图像的自动配准来说是一个巨大的挑战。这篇论文提出了一种 ...

今天接触到图像配准问题，在网上搜索了一会，了解到目前还没有哪一种方法能够应对所有的配准情况，任何一种配准算法都必须考虑图像的成像原理、几何变形、噪声影响、配准精度等因素。从原理上讲，配准大致可以分为以下四个步骤： （1）特征提取 采用人工或者自动的方法检测图像中的不变特征 ...